Eigenwahrenz ehrliches łączy modelowanie predykcyjne oparte na sztucznej inteligencji z zabezpieczeniami na poziomie regulacyjnym, dzięki czemu dyrektorzy finansowi mogą alokować nadwyżkę płynności na podstawie dowodów, a nie instynktu.
Wiele małych firm domyślnie, a nie z założenia, utrzymuje rezerwy na rachunkach o niskiej stopie zwrotu. Warunki rynkowe zmieniają się co tydzień, a cykle ręcznych przeglądów sprawiają, że większość zespołów finansowych stara się dotrzymać kroku.
Eigenwahrenz ehrliches powstał w oparciu o pogląd, że złożoność rynku przekracza obecnie to, co można w rozsądny sposób śledzić w arkuszach kalkulacyjnych i przeglądach kwartalnych. Modele predykcyjne nie usuwają oceny procesu; dają lepszy materiał do pracy.
Porównanie koncepcyjne, a nie statystyki klienta — wykorzystywane do pokazania, jaka część typowej pozycji rezerwowej pozostaje niezbadana pomiędzy cyklami przeglądu.
Każda funkcja została zaprojektowana tak, aby była łatwa do wyjaśnienia dyrektorowi finansowemu, a nie tylko analitykowi danych.
Dane rynkowe i przepływy pieniężne są poddawane ponownemu przetwarzaniu w sposób ciągły przy użyciu technik takich jak wnioskowanie bayesowskie, dzięki czemu prognozy można dostosowywać w miarę napływu nowych informacji, zamiast czekać na kolejny zaplanowany przegląd.
Dane przesyłane i przechowywane są chronione przy użyciu szyfrowania AES-256, przy ścisłej segregacji dostępu między kontami klientów. Architekturę bezpieczeństwa traktuje się jako podstawę, a nie funkcję dodatkową.
Zalecenia są filtrowane pod kątem odpowiednich ograniczeń regulacyjnych Wielkiej Brytanii, zanim dotrą do użytkownika, co zmniejsza obciążenie związane z ręcznym sprawdzaniem przydatności pod kątem obowiązujących przepisów.
Opisujemy to jako podejście „szklanego pudełka”: każde zalecenie można prześledzić wstecz do danych i założeń, które je wytworzyły.
Pozycja gotówkowa, historia transakcji i odpowiednie dane rynkowe są pozyskiwane za pośrednictwem bezpiecznych, dozwolonych kanałów i normalizowane na potrzeby analizy.
Modele, w tym podejścia takie jak utajona alokacja Dirichleta do grupowania wzorców, identyfikują strukturę danych i generują zestaw prognoz opartych na scenariuszach.
Wyniki przedstawiono wraz z uzasadnieniem, tak aby osoba odpowiedzialna mogła porównać zalecenie z kontekstem, którego nie ma w modelu.
Szczegóły są podawane raczej precyzyjnie niż promocyjnie, ponieważ jest to obszar najchętniej analizowany przez zespoły finansowe i audytorskie.
Dane klientów są przetwarzane zgodnie z brytyjskim RODO i ustawą o ochronie danych z 2018 r. Dane nie są sprzedawane ani wykorzystywane do szkolenia modeli w imieniu innych klientów bez wyraźnej pisemnej zgody.
Odprawa z naszym zespołem to rozmowa na temat Twojej aktualnej sytuacji w zakresie płynności, a nie propozycja sprzedaży. Później nie ma obowiązku kontynuowania.